رویکردی عملی برای الگوریتم‌های یادگیری ماشین و یادگیری عمیق ۲۰۱۹
A Practical Approach for Machine Learning and Deep Learning Algorithms 2019

راهنمای پوشش‌دهنده مباحث یادگیری ماشین، مدل‌های رگرسیون، شبکه‌های عصبی تا تنسورفلو

توضیحات

امروزه یادگیری ماشین، که عمدتاً در حوزه تحقیقات مورد توجه است، به بخش جدایی‌ناپذیری از بسیاری از پروژه‌های تحقیقاتی از جمله کاربردهای تجاری و همچنین تحقیقات دانشگاهی تبدیل شده است. کاربرد یادگیری ماشین از یافتن دوستان در سایت‌های شبکه‌های اجتماعی تا تشخیص پزشکی و حتی پردازش ماهواره‌ای را شامل می‌شود. در این کتاب، تلاشی صادقانه انجام داده‌ایم تا مفاهیم یادگیری ماشین را آسان کرده و برنامه‌های اساسی را در MATLAB، از همان بخش نصب، ارائه دهیم. اگرچه کاربرد بی‌درنگ یادگیری ماشین بی‌انتها است، مفاهیم و الگوریتم‌های اساسی با استفاده از زبان MATLAB مورد بحث قرار می‌گیرند تا نه‌تنها دانشجویان فارغ‌التحصیل، بلکه محققان نیز از آن بهره‌مند شوند.

ویژگی‌های کلیدی

یادگیری ماشین در MATLAB با استفاده از مفاهیم و الگوریتم‌های اساسی.

استخراج و دسترسی به داده‌ها در MATLAB و سپس، پیش‌پردازش و آماده‌سازی داده‌ها.

گردش کار یادگیری ماشین برای پایش سلامت.

حوزه شبکه عصبی و پیاده‌سازی در MATLAB با توضیح صریح کد و نتایج.

چگونه می‌توان مدل پیش‌بینی را با استفاده از MATLAB بهبود بخشید؟

کد MATLAB برای پیاده‌سازی یک الگوریتم، نه برای فرمول ریاضی.

گردش کار یادگیری ماشین برای پایش سلامت.

چه چیزی یاد خواهید گرفت

پیش‌نیازهای یادگیری ماشین

یافتن الگوهای طبیعی در داده‌ها

ساخت روش‌های طبقه‌بندی

پیش‌پردازش داده‌ها در پایتون

ساخت مدل‌های رگرسیون

ایجاد شبکه‌های عصبی

یادگیری عمیق

این کتاب برای چه کسانی مناسب است

این کتاب اساساً برای دانشجویان فارغ‌التحصیل و محققانی است که پیاده‌سازی الگوریتم‌های یادگیری ماشین را دشوار می‌دانند. ما به تمام الگوریتم‌های اساسی یادگیری ماشین با جزئیات و با رویکردی عملی پرداخته‌ایم. در درجه اول، مبتدیان این کتاب را مؤثرتر خواهند یافت، زیرا فصل‌ها به گونه‌ای تقسیم شده‌اند که ساخت و پیاده‌سازی الگوریتم‌ها در MATLAB را همزمان جالب و آسان می‌یابند.

فهرست مطالب

۱. Ê Ê پیش‌نیاز یادگیری ماشین

۲. Ê Ê مقدمه‌ای بر یادگیری ماشین

۳. Ê Ê یافتن الگوهای طبیعی در داده‌ها

۴. Ê Ê ساخت روش‌های طبقه‌بندی

۵. Ê Ê پیش‌پردازش داده‌ها در پایتون

۶. Ê Ê ساخت مدل‌های رگرسیون

۷. Ê Ê ایجاد شبکه‌های عصبی

۸. Ê Ê مقدمه‌ای بر یادگیری عمیق

Guide covering topics from machine learning, regression models, neural network to tensor flow

DESCRIPTION

Machine learning is mostly sought in the research field and has become an integral part of many research projects nowadays including commercial applications, as well as academic research. Application of machine learning ranges from finding friends on social networking sites to medical diagnosis and even satellite processing. In this book, we have made an honest effort to make the concepts of machine learning easy and give basic programs in MATLAB right from the installation part. Although the real-time application of machine learning is endless, however, the basic concepts and algorithms are discussed using MATLAB language so that not only graduation students but also researchers are benefitted from it.

KEY FEATURES

Machine learning in MATLAB using basic concepts and algorithms.

Deriving and accessing of data in MATLAB and next, pre-processing and preparation of data.

Machine learning workflow for health monitoring.

The neural network domain and implementation in MATLAB with explicit explanation of code and results.

How predictive model can be improved using MATLAB?

MATLAB code for an algorithm implementation, rather than for mathematical formula.

Machine learning workflow for health monitoring.

WHAT WILL YOU LEARN

Pre-requisites to machine learning

Finding natural patterns in data

Building classification methods

Data pre-processing in Python

Building regression models

Creating neural networks

Deep learning

WHO THIS BOOK IS FOR

The book is basically meant for graduate and research students who find the algorithms of machine learning difficult to implement. We have touched all basic algorithms of machine learning in detail with a practical approach. Primarily, beginners will find this book more effective as the chapters are subdivided in a manner that they find the building and implementation of algorithms in MATLAB interesting and easy at the same time.

Table of Contents

_1. Ê Ê Pre-requisite to Machine Learning

2. Ê Ê An introduction to Machine Learning

3. Ê Ê Finding Natural Patterns in Data

4. Ê Ê Building Classification Methods

5. Ê Ê Data Pre-Processing in Python

6. Ê Ê Building Regression Models

7. Ê Ê Creating Neural Networks

8. Ê Ê Introduction to Deep Learning